使用混合深度学习和传统定量测量方法提高急性脊椎压缩骨折的检测性能:超越基因分类的局限性

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 整形外科手术 整形外科手术

背景情况:

• 脊椎压缩骨折 (VCFs) 带来了诊断方面的挑战.
• 经典的高度损失比率 (HLR) 方法在识别急性VCF方面存在局限性.
• 深度学习 (DL) 提供了改进VCF检测的潜力.

研究的目的:

• 评估经典的高度损失比率 (HLR) 来识别急性VCF.
• 将HLR性能与基于DL的VCF检测方法进行比较.
• 研究将HLR与DL方法结合起来,以提高VCF诊断的协同潜力.

主要方法:

• 评估了三个DL模型:EEVD,TSVD_SD和TSVD_DC.
• 使用灵敏度,特异性,准确性和精度评估模型性能.
• 分析了将HLR与DL方法集成对诊断结果的影响.

主要成果:

• 两个阶段的VCF检测与细分和检测 (TSVD_SD) 模型实现了最高的灵敏度 (84.46%) 和精度 (95.05%).
• 结合DL方法和HLR改进检测:TSVD_SD与HLR阴性病例的灵敏度增加到87.84%.
• 将EEVD与HLR阳性病例相结合,产生了最高的特异性 (99.77%),最大限度地减少了假阳性.

结论:

• 基于DL的方法,特别是TSVD_SD,为传统的VCF检测方法提供了强大的替代方案.
• 整合DL与HLR显著提高了急性VCFs的诊断准确度.
• 这些发现支持DL用于改善VCF诊断的临床实用性.